JP2019093008A - 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル - Google Patents
脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル Download PDFInfo
- Publication number
- JP2019093008A JP2019093008A JP2017227094A JP2017227094A JP2019093008A JP 2019093008 A JP2019093008 A JP 2019093008A JP 2017227094 A JP2017227094 A JP 2017227094A JP 2017227094 A JP2017227094 A JP 2017227094A JP 2019093008 A JP2019093008 A JP 2019093008A
- Authority
- JP
- Japan
- Prior art keywords
- activity
- measurement data
- network
- feature
- estimation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims description 89
- 230000007177 brain activity Effects 0.000 title claims description 48
- 238000005259 measurement Methods 0.000 claims abstract description 264
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 76
- 210000004556 brain Anatomy 0.000 claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 98
- 239000013598 vector Substances 0.000 description 72
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 32
- 238000011156 evaluation Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 25
- 230000000875 corresponding effect Effects 0.000 description 24
- 239000011159 matrix material Substances 0.000 description 21
- 238000007781 pre-processing Methods 0.000 description 18
- 238000012805 post-processing Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 7
- 238000002582 magnetoencephalography Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000284 resting effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 210000004326 gyrus cinguli Anatomy 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000001678 irradiating effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000012239 Developmental disease Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical class [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000003715 limbic system Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- High Energy & Nuclear Physics (AREA)
- Psychology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
まず、本実施の形態に従う脳内ネットワークの活動推定方法の概要について説明する。図1は、本実施の形態に従う脳内ネットワークの活動推定方法の概要を示す模式図である。
次に、本実施の形態に従う脳内ネットワークの活動推定方法を実現するための活動推定システムの概要について説明する。
まず、図1に示す「(1)EEG/fMRI同時計測」について説明する。図2に示す活動推定システム1を利用して、被験者Sは、頭部にセンサを装着した状態で、fMRI計測装置300のボアに載置されて、EEG計測およびfMRI計測が並列的に実行される。
次に、図1に示す「(2)モジュール推定」について説明する。以下の説明においては、モジュール推定処理の概略を説明するが、より詳細な処理手順などについては、「Jun-ichiro Hirayama, Aapo Hyvarinen, Motoaki Kawanabe, "SPLICE: Fully Tractable Hierarchical Extension of ICA with Pooling", Proceedings of the 34th International Conference on Machine Learning, PMLR 70:1491-1500, 2017.」(非特許文献1)などを参照されたい。
まず、本実施の形態に従う活動推定システム1におけるモジュール推定の原理的な説明を行なう。図4は、本実施の形態に従う活動推定システム1におけるモジュール推定の原理を説明するための模式図である。図5は、図4に示す仮定下におけるパラメータ決定の手順を説明するための模式図である。
次に、本実施の形態に従う活動推定システム1において用いられる特徴推定モデル10について説明する。図6は、本実施の形態に従う活動推定システム1において用いられるEEG計測データを入力とする特徴推定モデル10の一例を示す模式図である。図6には、特徴推定モデル10の最小構成の一例を示す。
係数行列Aは、正方行列であり、かつ、可逆行列であるので、係数行列Aの逆行列である行列W(≡A−1)は、分離行列に相当する。
ここで、単調写像関数であるFjは、逆関数Fj −1によって(非負の)二乗和を実値にマッピングする。A’およびs’は、第2レイヤにおける可逆の結合行列およびソースベクトルである。係数行列A’の逆行列である行列W’(≡A’−1)は、分離行列に相当する。また、添え字jは、ベクトルのj番目の要素を意味する。
規格化ベクトルu[j]は、すべてのjについて、他のランダム変数から独立して、単位超球面において一様に分布しているとする。
本実施の形態においては、EEG計測データ12を表す入力ベクトルxについての確率密度関数(Probability Density Function:PDF)に対する最尤推定を適用することで、特徴推定モデル10を規定するパラメータを決定する。
次に、上述のような手順によって決定されるパラメータを用いて、EEG計測から、脳内ネットワークの活動を表現し得る非線形性の特徴量を算出する処理の全体について説明する。
次に、図1に示す「(3)脳内ネットワークの活動推定」について説明する。
次に、図1に示す「(4)相関性評価」について説明する。この相関性評価においては、特徴推定モデル10を構成する各モジュール(ネットワーク)と安静時の脳内ネットワーク(RSN)との相関性を評価する。
次に、図1に示す「(5)脳内ネットワークの活動を表現するモジュールの特定」について、評価例について説明する。モジュールの特定処理においては、各RSNについて、特徴推定モデル10を構成する複数のモジュール(上述の例では、20個のモジュール)のうち、いずれのモジュールとの相関性が強いかを評価する。言い換えれば、特徴推定モデル10を構成する複数のモジュールのうち、いずれのモジュールに注目すれば、各RSNの値を推定できるかを特定する。
上述したような本計測例においては、2つのモジュールがデフォルトモードネットワーク(DMN)に対して相対的に強い相関性を示した。
本計測例においては、3つのモジュールが制御ネットワーク(CON)に対して相対的に強い相関性を示した。
本計測例においては、3つのモジュールが背側注意ネットワーク(DAN)に対して相対的に強い相関性を示した。
本計測例においては、いくつかの他のモジュールが体性運動ネットワーク(SMN)、大脳辺縁系(LIM)、および/または、視覚ネットワーク(VIS)に対して相対的に強い相関性を示した。図17は、他のモジュールについての計測結果を示す図である。
上述したモジュール以外のモジュールについては、いずれの脳内ネットワークに対しても、有意な相関性を示さなかった。
次に、本実施の形態に従う活動推定システム1の処理装置100に実現される機能構成の一例について説明する。
次に、本実施の形態に従う脳内ネットワークの活動推定方法の処理手順について説明する。図19は、本実施の形態に従う脳内ネットワークの活動推定方法の処理手順を示すフローチャートである。図19に示す一部のステップは、処理装置100においてプログラムが実行されることで実現されてもよい。
次に、本実施の形態に従う脳内ネットワークの活動推定システム1により決定された特徴推定モデルおよび推定されたモジュールの情報(関連付け情報180)の応用例について説明する。一例として、ニューロフィードバックへの応用が可能である。
本実施の形態に従う脳内ネットワークの活動推定システムによれば、多チャンネル計測された脳波の信号を解析して、脳内の複数の信号源を前提とした脳内ネットワークの活動度を定量化できる。本実施の形態においては、特徴推定モデルにおいて、脳内の信号源の位置を明示的に決定する必要がないので、原理的に、脳や頭蓋の形状計測や逆問題解析などが不要となる。すなわち、汎用性が高く、かつ、演算処理量を減らして高速な処理を実現できる。
Claims (13)
- 被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する取得手段と、
前記脳波の計測データを入力データとする特徴推定モデルを構築するとともに、当該特徴推定モデルを規定するパラメータを決定するパラメータ決定手段とを備え、前記特徴推定モデルは、脳内の信号源を示す複数のエレメントと、各々が前記複数のエレメントの少なくとも一部に結合された複数のモジュールとを含み、
前記脳波の計測データを入力データとして与えた場合に算出される各モジュールの出力値に基づいて、モジュール毎の特徴量を算出する第1の特徴量算出手段と、
前記機能的磁気共鳴画像法の計測データに基づいて脳内ネットワーク毎の画像特徴量を算出する第2の特徴量算出手段と、
前記第1の特徴量算出手段により算出されるモジュール毎の特徴量と、前記第2の特徴量算出手段により算出される脳内ネットワーク毎の画像特徴量との間の相関性を評価することで、前記複数のモジュールのうち特定の脳内ネットワークの活動を表現する1または複数のモジュールを決定する決定手段とを備える、脳内ネットワークの活動推定システム。 - 被験者から計測される脳波の計測データを入力データとして前記特徴推定モデルに与えるとともに、少なくとも前記特定の脳内ネットワークの活動を表現する1または複数のモジュールについて特徴量を算出する第3の特徴量算出手段と、
前記第3の特徴量算出手段により算出される特徴量に基づいて前記特定の脳内ネットワークの活動度合いを示す値を算出する脳活動算出手段とをさらに備える、請求項1に記載の脳内ネットワークの活動推定システム。 - 前記特定の脳内ネットワークの活動度合いを示す値に基づいて、前記被験者に対するアクションの内容を決定するフィードバック手段をさらに備える、請求項2に記載の脳内ネットワークの活動推定システム。
- 前記複数のエレメントの各々は、前記入力データの線形結合として算出される、請求項1〜3のいずれか1項に記載の脳内ネットワークの活動推定システム。
- 前記入力データは、所定期間の時系列データであり、
前記第1の特徴量算出手段は、各モジュールの前記所定期間に亘る特徴量の時系列データを時間方向に集約して、モジュール毎の特徴量として出力する、請求項1〜4のいずれか1項に記載の脳内ネットワークの活動推定システム。 - 前記パラメータ決定手段は、前記脳波の計測データを入力データとして与えた場合に算出される各エレメントの時間波形間に強い相関性が生じるように、前記特徴推定モデルを規定するパラメータを決定する、請求項1〜5のいずれか1項に記載の脳内ネットワークの活動推定システム。
- 被験者毎に、前記特徴推定モデルを規定するパラメータと特定の脳内ネットワークの活動を表現する1または複数のモジュールを示す情報とを関連付けて格納するとともに、要求に応じて、特定の被験者に対応するパラメータおよび特定の脳内ネットワークの活動を表現する1または複数のモジュールを示す情報を出力する記憶手段をさらに備える、請求項1〜6のいずれか1項に記載の脳内ネットワークの活動推定システム。
- 被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップと、
前記脳波の計測データを入力データとする特徴推定モデルを構築するとともに、当該特徴推定モデルを規定するパラメータを決定するパラメータステップとを備え、前記特徴推定モデルは、脳内の信号源を示す複数のエレメントと、各々が前記複数のエレメントの少なくとも一部に結合された複数のモジュールとを含み、
前記脳波の計測データを入力データとして与えた場合に算出される各モジュールの出力値に基づいて、モジュール毎の特徴量を算出するステップと、
前記機能的磁気共鳴画像法の計測データに基づいて脳内ネットワーク毎の画像特徴量を算出するステップと、
前記算出されるモジュール毎の特徴量と、前記算出される脳内ネットワーク毎の画像特徴量との間の相関性を評価することで、前記複数のモジュールのうち特定の脳内ネットワークの活動を表現する1または複数のモジュールを決定するステップとを備える、脳内ネットワークの活動推定方法。 - 脳内ネットワークの活動推定プログラムであって、コンピュータに、
被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップと、
前記脳波の計測データを入力データとする特徴推定モデルを構築するとともに、当該特徴推定モデルを規定するパラメータを決定するパラメータステップとを実行させ、前記特徴推定モデルは、脳内の信号源を示す複数のエレメントと、各々が前記複数のエレメントの少なくとも一部に結合された複数のモジュールとを含み、
前記脳波の計測データを入力データとして与えた場合に算出される各モジュールの出力値に基づいて、モジュール毎の特徴量を算出するステップと、
前記機能的磁気共鳴画像法の計測データに基づいて脳内ネットワーク毎の画像特徴量を算出するステップと、
前記算出されるモジュール毎の特徴量と、前記算出される脳内ネットワーク毎の画像特徴量との間の相関性を評価することで、前記複数のモジュールのうち特定の脳内ネットワークの活動を表現する1または複数のモジュールを決定するステップとを実行させる、脳内ネットワークの活動推定プログラム。 - 被験者から計測された脳波の計測データを取得する取得手段と、
前記被験者に関連付けられて予め決定されたパラメータを用いて、前記脳波の計測データを入力データとする特徴推定モデルを構築するモデル構築手段とを備え、前記特徴推定モデルは、脳内の信号源を示す複数のエレメントと、各々が前記複数のエレメントの少なくとも一部に結合された複数のモジュールとを含み、
前記被験者に関連付けられて予め決定された、前記複数のモジュールのうち特定の脳内ネットワークの活動を表現する1または複数のモジュールを特定する関連付け情報に基づいて、前記取得手段により取得された脳波の計測データを入力データとして前記特徴推定モデルに与えるとともに、前記特定の脳内ネットワークの活動を表現する1または複数のモジュールについての特徴量から当該特定の脳内ネットワークの活動度合いを示す値を算出する算出手段を備え、
前記特徴推定モデルを規定するパラメータは、前記脳波の計測データを入力データとして与えた場合に算出される各エレメントの時間波形間に強い相関性が生じるように、決定され、
前記関連付け情報は、前記パラメータの決定に用いられた脳波の計測データを入力データとして前記特徴推定モデルに与えた場合に生じる各モジュールの出力値に基づいて算出されたモジュール毎の特徴量と、前記パラメータの決定に用いられた脳波の計測データと同時に前記被験者から計測された機能的磁気共鳴画像法の計測データに基づいて算出された脳内ネットワーク毎の画像特徴量との間の相関性を評価することで、決定される、脳内ネットワークの活動推定システム。 - 被験者から計測された脳波の計測データを取得するステップと、
前記被験者に関連付けられて予め決定されたパラメータを用いて、前記脳波の計測データを入力データとする特徴推定モデルを構築するステップとを備え、前記特徴推定モデルは、脳内の信号源を示す複数のエレメントと、各々が前記複数のエレメントの少なくとも一部に結合された複数のモジュールとを含み、
前記被験者に関連付けられて予め決定された、前記複数のモジュールのうち特定の脳内ネットワークの活動を表現する1または複数のモジュールを特定する関連付け情報に基づいて、前記取得された脳波の計測データを入力データとして前記特徴推定モデルに与えるとともに、前記特定の脳内ネットワークの活動を表現する1または複数のモジュールについての特徴量から当該特定の脳内ネットワークの活動度合いを示す値を算出するステップを備え、
前記特徴推定モデルを規定するパラメータは、前記脳波の計測データを入力データとして与えた場合に算出される各エレメントの時間波形間に強い相関性が生じるように、決定され、
前記関連付け情報は、前記パラメータの決定に用いられた脳波の計測データを入力データとして前記特徴推定モデルに与えた場合に生じる各モジュールの出力値に基づいて算出されたモジュール毎の特徴量と、前記パラメータの決定に用いられた脳波の計測データと同時に前記被験者から計測された機能的磁気共鳴画像法の計測データに基づいて算出された脳内ネットワーク毎の画像特徴量との間の相関性を評価することで、決定される、脳内ネットワークの活動推定方法。 - 脳内ネットワークの活動推定プログラムであって、コンピュータに、
被験者から計測された脳波の計測データを取得するステップと、
前記被験者に関連付けられて予め決定されたパラメータを用いて、前記脳波の計測データを入力データとする特徴推定モデルを構築するステップとを実行させ、前記特徴推定モデルは、脳内の信号源を示す複数のエレメントと、各々が前記複数のエレメントの少なくとも一部に結合された複数のモジュールとを含み、
前記被験者に関連付けられて予め決定された、前記複数のモジュールのうち特定の脳内ネットワークの活動を表現する1または複数のモジュールを特定する関連付け情報に基づいて、前記取得された脳波の計測データを入力データとして前記特徴推定モデルに与えるとともに、前記特定の脳内ネットワークの活動を表現する1または複数のモジュールについての特徴量から当該特定の脳内ネットワークの活動度合いを示す値を算出するステップを実行させ、
前記特徴推定モデルを規定するパラメータは、前記脳波の計測データを入力データとして与えた場合に算出される各エレメントの時間波形間に強い相関性が生じるように、決定され、
前記関連付け情報は、前記パラメータの決定に用いられた脳波の計測データを入力データとして前記特徴推定モデルに与えた場合に生じる各モジュールの出力値に基づいて算出されたモジュール毎の特徴量と、前記パラメータの決定に用いられた脳波の計測データと同時に前記被験者から計測された機能的磁気共鳴画像法の計測データに基づいて算出された脳内ネットワーク毎の画像特徴量との間の相関性を評価することで、決定される、脳内ネットワークの活動推定プログラム。 - 被験者から計測された脳波の計測データを入力することで、当該被験者における特定の脳内ネットワークの活動度合いを示す値を出力する学習済み脳活動推定モデルであって、
前記脳波の計測データを入力データとする特徴推定モデルと、
関連付け情報とを備え、
前記特徴推定モデルは、脳内の信号源を示す複数のエレメントと、各々が前記複数のエレメントの少なくとも一部に結合された複数のモジュールとを含み、前記複数のエレメントの各々は、前記脳波の計測データの各次元に対応する値の線形結合として規定されており、
前記関連付け情報は、前記被験者に関連付けられて予め決定された、前記複数のモジュールのうち特定の脳内ネットワークの活動を表現する1または複数のモジュールを特定するパラメータを含み、
前記学習済み脳活動推定モデルを構築するための学習工程において、コンピュータに
被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップと、
前記脳波の計測データを入力データとして前記特徴推定モデルに与えた場合に算出される各エレメントの時間波形間に強い相関性が生じるように、前記特徴推定モデルを規定するパラメータを決定するステップと、
決定されたパラメータに従って構築された特徴推定モデルに前記脳波の計測データを入力データとして与えた場合に算出される各モジュールの出力値に基づいて、モジュール毎の特徴量を算出するステップと、
前記機能的磁気共鳴画像法の計測データに基づいて脳内ネットワーク毎の画像特徴量を算出するステップと、
前記算出されるモジュール毎の特徴量と、前記算出される脳内ネットワーク毎の画像特徴量との間の相関性を評価することで、前記関連付け情報を決定するステップとを実行させる、学習済み脳活動推定モデル。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017227094A JP6884344B2 (ja) | 2017-11-27 | 2017-11-27 | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル |
EP18880259.9A EP3718473A4 (en) | 2017-11-27 | 2018-11-13 | INTRACEREBRAL NETWORK ACTIVITY ESTIMATION SYSTEM, INTRACEREBRAL NETWORK ACTIVITY ESTIMATION PROCESS, INTRACEREBRAL NETWORK ACTIVITY ESTIMATION PROGRAM AND CEREBRAL ACTIVITY ESTIMATION MODEL LEARNED |
CN201880076799.9A CN111417342B (zh) | 2017-11-27 | 2018-11-13 | 脑网络的活动估计***、方法和存储介质 |
US16/766,965 US20210035665A1 (en) | 2017-11-27 | 2018-11-13 | Brain network activity estimation system, method of estimating activities of brain network, brain network activity estimation program, and trained brain activity estimation model |
PCT/JP2018/041950 WO2019102901A1 (ja) | 2017-11-27 | 2018-11-13 | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017227094A JP6884344B2 (ja) | 2017-11-27 | 2017-11-27 | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019093008A true JP2019093008A (ja) | 2019-06-20 |
JP2019093008A5 JP2019093008A5 (ja) | 2021-01-14 |
JP6884344B2 JP6884344B2 (ja) | 2021-06-09 |
Family
ID=66631864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017227094A Active JP6884344B2 (ja) | 2017-11-27 | 2017-11-27 | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210035665A1 (ja) |
EP (1) | EP3718473A4 (ja) |
JP (1) | JP6884344B2 (ja) |
CN (1) | CN111417342B (ja) |
WO (1) | WO2019102901A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021133142A (ja) * | 2020-02-28 | 2021-09-13 | 株式会社日立製作所 | 医用撮像装置、医用画像処理装置、及び、画像処理プログラム |
WO2022004841A1 (ja) | 2020-07-02 | 2022-01-06 | 株式会社国際電気通信基礎技術研究所 | 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11553871B2 (en) * | 2019-06-04 | 2023-01-17 | Lab NINE, Inc. | System and apparatus for non-invasive measurement of transcranial electrical signals, and method of calibrating and/or using same for various applications |
CN112274144A (zh) * | 2019-07-22 | 2021-01-29 | 苏州布芮恩智能科技有限公司 | 近红外脑功能成像数据的处理方法、装置和存储介质 |
CN113017651B (zh) * | 2021-03-16 | 2022-06-21 | 哈尔滨工业大学 | 一种情感eeg的脑功能网络分析方法 |
CN113040789B (zh) * | 2021-03-17 | 2022-09-09 | 华南理工大学 | 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法 |
CN115024684A (zh) * | 2022-05-23 | 2022-09-09 | 天津大学 | 刺激范式生成***、脑-机接口***、检测方法及装置 |
CN115359297B (zh) * | 2022-08-24 | 2024-01-26 | 南京航空航天大学 | 一种基于高阶脑网络的分类方法、***、电子设备及介质 |
CN116823813B (zh) * | 2023-08-28 | 2023-12-01 | 北京航空航天大学 | 一种基于磁共振影像的脑韧性评估方法、***及电子设备 |
CN118094277B (zh) * | 2024-04-25 | 2024-07-02 | 之江实验室 | 基于动态功能脑网络的大脑视听融合机制探索方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005000528A (ja) * | 2003-06-13 | 2005-01-06 | National Institute Of Information & Communication Technology | 脳機能測定装置及び脳機能測定プログラム |
CN103345749A (zh) * | 2013-06-27 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 |
US20140148657A1 (en) * | 2011-02-03 | 2014-05-29 | Ramoot At Tel-Aviv University Ltd. | Method and system for use in monitoring neural activity in a subject's brain |
JP2017192425A (ja) * | 2016-04-18 | 2017-10-26 | 株式会社アラヤ | 認知状態推定システム及び認知状態推定方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9694178B2 (en) * | 2013-10-21 | 2017-07-04 | Neuroelectronics Barcelona S.L. | Method and a system for optimizing the configuration of multisite transcranial current stimulation and a computer-readable medium |
CN102743166B (zh) * | 2012-08-09 | 2013-11-06 | 西南大学 | 一种事件相关电位源定位方法 |
CN107242873B (zh) * | 2017-07-05 | 2020-06-09 | 成都信息工程大学 | 一种基于功能磁共振心理生理交互的脑网络构建方法 |
-
2017
- 2017-11-27 JP JP2017227094A patent/JP6884344B2/ja active Active
-
2018
- 2018-11-13 WO PCT/JP2018/041950 patent/WO2019102901A1/ja unknown
- 2018-11-13 EP EP18880259.9A patent/EP3718473A4/en active Pending
- 2018-11-13 CN CN201880076799.9A patent/CN111417342B/zh active Active
- 2018-11-13 US US16/766,965 patent/US20210035665A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005000528A (ja) * | 2003-06-13 | 2005-01-06 | National Institute Of Information & Communication Technology | 脳機能測定装置及び脳機能測定プログラム |
US20140148657A1 (en) * | 2011-02-03 | 2014-05-29 | Ramoot At Tel-Aviv University Ltd. | Method and system for use in monitoring neural activity in a subject's brain |
CN103345749A (zh) * | 2013-06-27 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于模态融合的大脑网络功能连接偏侧性检测方法 |
JP2017192425A (ja) * | 2016-04-18 | 2017-10-26 | 株式会社アラヤ | 認知状態推定システム及び認知状態推定方法 |
Non-Patent Citations (2)
Title |
---|
KARAHAN, ESIN ET AL.: "Tensor Analysis and Fusion of Multimodal Brain Images", PROCEEDINGS OF THE IEEE, vol. 103, no. 9, JPN6019005020, September 2015 (2015-09-01), pages 1531 - 1559, XP011667005, ISSN: 0004478579, DOI: 10.1109/JPROC.2015.2455028 * |
MURTA, TERESA ET AL.: "Electrophysiological correlates of the BOLD signal for EEG-informed fMRI", HUMAN BRAIN MAPPING, vol. 36, no. 1, JPN6019005024, 2014, pages 391 - 414, XP055618887, ISSN: 0004478580, DOI: 10.1002/hbm.22623 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021133142A (ja) * | 2020-02-28 | 2021-09-13 | 株式会社日立製作所 | 医用撮像装置、医用画像処理装置、及び、画像処理プログラム |
JP7256765B2 (ja) | 2020-02-28 | 2023-04-12 | 株式会社日立製作所 | 医用撮像装置、医用画像処理装置、及び、画像処理プログラム |
WO2022004841A1 (ja) | 2020-07-02 | 2022-01-06 | 株式会社国際電気通信基礎技術研究所 | 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2019102901A1 (ja) | 2019-05-31 |
CN111417342B (zh) | 2023-06-13 |
EP3718473A1 (en) | 2020-10-07 |
CN111417342A (zh) | 2020-07-14 |
JP6884344B2 (ja) | 2021-06-09 |
US20210035665A1 (en) | 2021-02-04 |
EP3718473A4 (en) | 2021-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019102901A1 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
US20180276822A1 (en) | Ultra-dense electrode-based brain imaging system | |
Auranen et al. | Bayesian analysis of the neuromagnetic inverse problem with ℓp-norm priors | |
Dimitriadis et al. | Reliability of static and dynamic network metrics in the resting-state: A MEG-beamformed connectivity analysis | |
Bridwell et al. | Spatiospectral decomposition of multi-subject EEG: evaluating blind source separation algorithms on real and realistic simulated data | |
Sun et al. | Deep neural networks constrained by neural mass models improve electrophysiological source imaging of spatiotemporal brain dynamics | |
CN110101384B (zh) | 用于复杂网络的功能性网络分析***及分析方法 | |
US20160051161A1 (en) | Method for locating a brain activity associated with a task | |
CN114052668B (zh) | 一种基于脑磁图数据的脑功能分析方法 | |
JP2018187044A (ja) | 感情推定装置、感情推定方法およびコンピュータプログラム | |
Hansen et al. | Unmixing oscillatory brain activity by EEG source localization and empirical mode decomposition | |
Conte et al. | The influence of the head model conductor on the source localization of auditory evoked potentials | |
WO2022004841A1 (ja) | 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム | |
Frank et al. | Dynamic multiscale modes of resting state brain activity detected by entropy field decomposition | |
Kaur et al. | Recent developments in spatio-temporal EEG source reconstruction techniques | |
Chang et al. | Assessing recurrent interactions in cortical networks: Modeling EEG response to transcranial magnetic stimulation | |
WO2019028551A1 (en) | SYSTEMS AND METHODS FOR QUALITY EVALUATION OF MAGNETIC RESONANCE FUNCTIONAL IMAGING DATA USING FREQUENCY DOMAIN ENTROPY REGULARIZATION | |
Hu et al. | Tensor clustering on outer-product of coefficient and component matrices of independent component analysis for reliable functional magnetic resonance imaging data decomposition | |
Jiricek et al. | Electrical source imaging in freely moving rats: Evaluation of a 12-electrode cortical electroencephalography system | |
JP2001514031A (ja) | 脳および心臓の一次電流の断層撮影システムおよび方法 | |
Vanhatalo et al. | Advanced EEG and MRI measurements to study the functional development of the newborn brain | |
RU2743608C1 (ru) | Способ локализации отделов головного мозга | |
Chintaluri et al. | kCSD-python, reliable current source density estimation with quality control | |
JP6821171B2 (ja) | 脳活動状態定量化方法および脳活動状態計測装置 | |
Rashid et al. | Analyzing functional magnetic resonance brain images with opencv2 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201120 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201120 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210406 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210427 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6884344 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |